SKILLEMALL.ai
GitHub ↗ EN Войти

BD 现场不良数据分析助手

Анализ производственных данных о качестве на месте; используется, когда пользователю требуется проанализировать данные инспекций цеха, брака в производстве, учета готовой продукции или обработать записи о несоответствиях на месте; охватывает очистку данных, статистический анализ, визуализацию с помощью диаграмм.

машинный переводПоказать оригиналСкрыть оригинал«制造业质量现场数据分析；当用户需要分析车间巡检、制程不良、成品检验台账数据或处理现场不合格记录时使用；覆盖数据清洗、统计分析、图表可视化…»

制造业质量现场数据分析；当用户需要分析车间巡检、制程不良、成品检验台账数据或处理现场不合格记录时使用；覆盖数据清洗、统计分析、图表可视化

ClawHub Agent Skills автор: engicool v0.1.0 MIT-0 9 файлов тело ≈ 856 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Анализ производственных данных о качестве на месте; используется, когда пользователю требуется проанализировать данные инспекций цеха, брака в производстве…

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураКачество и контрольтип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
65
Прогон на моделях
не было
Процессный рейтинг
D
41/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"

Процессный рейтинг: все десять параметров 41/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Согласованность. Имя во frontmatter (现场不良数据分析助手) не совпадает с папкой (skill-manufacturing-quality-data-analysis)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 72
  • 100Стоимость исполнения. Тело инструкции 856 токенов
  • 100Повторный запуск. Изменяющих операций нет

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 68: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 18 заголовков
  • +3Пошаговые инструкции: 72 пунктов
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)
  • +3Все 4 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.

Внешние проверки

ClawHub: clean
This skill performs the manufacturing quality data analysis it advertises, with local parsing and report generation, but users should be aware that generated reports may load an external Google font.
LLM: benign (high) · VirusTotal: · 17 июл. 2026 г.